Verktyget web_search: Internetsökning i realtid
På denna sida
Mistrals fyra inbyggda verktyg
Denna lektion inleder avsnittet om inbyggda verktyg. Innan vi dyker ner i det första, ta en stund och överblicka de fyra verktyg som finns tillgängliga i Agents API och vilka behov de tillgodoser.
| Verktyg | Typ | Beskrivning | Användningsområde |
|---|---|---|---|
| Web Search | web_search | Internetsökning i realtid | Nyheter, övervakning, faktakontroll |
| Code Interpreter | code_interpreter | Exekvering av Python-kod i sandlåda | Beräkningar, dataanalys, diagram |
| Image Generation | image_generation | Skapande av bilder från text | Illustrationer, mockups, kreativt arbete |
| Document Library | document_library | RAG på uppladdade dokument | Frågor om filer, extrahering, sammanfattning |
Dessa verktyg körs i Mistrals molnmiljö – du behöver inte hantera någon infrastruktur själv. Detta är en fundamental skillnad jämfört med klassisk funktionsanropning, där du hanterar exekveringen: här deklarerar du en kapacitet, och leverantören sköter sandlådan, beroenden och skalning.
Web Search i detalj
Verktyget web_search låter din agent söka efter information på internet i realtid. Det är det mest använda verktyget eftersom det löser ett grundläggande problem hos stora språkmodeller (LLM): det temporala gapet gentemot verkligheten. En modell vet ingenting om händelser som inträffat efter dess träning, och den vet inte ens att den inte vet – vilket leder till självsäkra svar baserade på en föråldrad världsbild.
Att konfigurera en agent med detta verktyg tar bara några rader kod.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
agent = client.beta.agents.create(
model="mistral-medium-latest",
name="Web Search Agent",
instructions="You perform web searches to answer questions. Always cite your sources.",
tools=[{"type": "web_search"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Genomföra en sökning
Du frågar denna agent precis som vilken annan som helst: beslutet att söka ligger hos agenten.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Who won the most recent European Football Championship?"
)
Bakom detta enda anrop döljer sig en hel kedja av händelser. Agenten analyserar först frågan för att avgöra om dess egen kunskap är tillräcklig – här implicerar orden “most recent” (senaste) daterad information, så det är den inte. Den formulerar sedan en optimerad sökfråga, som ofta skiljer sig från din mening genom att vara rensad från konversationsspråk. Den utför sökningen och syntetiserar sedan resultaten med bifogade källhänvisningar. Du styr inte någon av dessa steg, men du kan se dem alla i svaret.
Svarets anatomi
Svaret innehåller flera sekventiella poster som du måste iterera igenom i ordning.
for entry in response.outputs:
print(f"--- {entry.type} ---")
if entry.type == "tool.execution":
# Detaljer om den utförda sökningen
print(f"Tool: {entry.tool_name}")
elif entry.type == "message.output":
# Svar med källhänvisningar
for chunk in entry.content:
if chunk.type == "text":
print(chunk.text)
elif chunk.type == "tool_reference":
print(f"[Source] {chunk.title} — {chunk.url}")
Du ser först en post av typen tool.execution, som bär på operationens metadata, inklusive den faktiska frågan som skickades till sökmotorn. Det är hit du ska titta om ett svar verkar irrelevant, eftersom du ofta kommer se att omformuleringen har glidit iväg. Posten message.output bär sedan på det syntetiserade svaret, uppdelat i bitar av typen text och tool_reference – därav den nästlade loopen i koden ovan.
Använda direktläge (utan en agent)
Verktyget fungerar också utan en registrerad agent, vilket är smidigt för snabba tester.
response = client.beta.conversations.start(
model="mistral-large-latest",
inputs=[{"role": "user", "content": "Latest news on Mistral AI"}],
tools=[{"type": "web_search"}]
)
Bästa praxis som gör skillnad
Börja med att ställa precisa frågor. Agenten omvandlar din fråga till en sökfråga: “berätta om AI” ger generiska resultat, medan “vilka europeiska AI-regler antogs 2026?” omedelbart riktar in sig på användbara sidor. Denna regel gäller även för frågor dina användare ställer: om ditt gränssnitt tillåter vaga förfrågningar, inkludera ett steg i dina instruktioner för omformulering eller förtydligande.
Kontrollera sedan temperaturen. För faktabaserade uppgifter minskar ett lågt värde – mellan 0,2 och 0,4 – hallucinationer under syntetiseringen av resultat. Sökningen levererar råmaterialet, men modellen skriver fortfarande texten, och inget hindrar den från att fylla i luckor om den ges för stort spelrum.
Slutligen, verifiera källorna. Källhänvisningar är automatiska, men deras relevans varierar: ett foruminlägg och en officiell text kan se likadana ut i en referenslista. I kritiska sammanhang bör du öppna de returnerade URL:erna innan du använder informationen – och exponera dem för dina användare så att de kan göra detsamma.
Viktiga punkter
web_searchger agenten tillgång till internet i realtid- Svar inkluderar automatiska källhänvisningar (titel + URL)
web_search_premiumlägger till verifierade nyhetskällor- Verktyget fungerar med eller utan en agent (direktläge är möjligt)
- Låg temperatur rekommenderas för faktabaserade uppgifter